Extraire les données de PDF, factures et contrats avec l'IA

Écrit par la rédaction · 12 novembre 2026 · Mis à jour le12 novembre 2026

Quatre approches permettent d'extraire des données de PDF, de factures et de contrats : l'OCR classique, le modèle de langage, le service cloud (Azure Document Intelligence, Google Document AI, Amazon Textract) et l'agent sur mesure. Des mises en page fixes en gros volume vont bien à un service cloud, des documents variés à un modèle de langage, un process propre à votre métier à un agent sur mesure. Dans tous les cas, mesurez les erreurs champ par champ sur vos propres documents et gardez une personne dans la boucle pour les champs qui comptent.

Vous avez un dossier de factures fournisseurs, de contrats signés ou de formulaires scannés, et vous voulez les montants, les dates et les clauses dans un tableau. Il y a quatre façons d’y arriver, et la bonne dépend de la variété de vos documents.

Quelles sont les quatre approches ?

L’OCR classique transforme les pixels d’un scan en texte. Il dit ce qui est écrit, rien de plus sur ce que cela signifie. Une ligne « 12/03/2026 » reste du texte tant que quelque chose ne décide pas que c’est l’échéance.

Un modèle de langage lit le texte (ou l’image) et répond à une question : quel est le numéro de facture, qui sont les parties, quand le contrat se termine-t-il. Vous décrivez les champs voulus et le modèle les remplit, quelle que soit la mise en page.

Un service cloud d’extraction de documents regroupe OCR et extraction derrière une API. Azure Document Intelligence se présente comme un service d’OCR et de traitement intelligent de documents fondé sur l’apprentissage automatique. Sa documentation liste un modèle Read pour le texte imprimé et manuscrit, un modèle Layout pour le texte, les tableaux et la structure, des modèles prédéfinis pour les factures, les reçus et les contrats entre autres, et des modèles personnalisés que vous entraînez sur des exemples annotés. Google Document AI liste Enterprise Document OCR, un Form Parser pour les tableaux et les paires clé-valeur, des processeurs pré-entraînés pour des types de documents spécialisés et des extracteurs personnalisés. Amazon Textract liste la détection de texte, écriture manuscrite comprise, les formulaires et les tableaux, les Queries, une opération AnalyzeExpense pour les factures et les reçus, et les Custom Queries.

Un agent sur mesure associe un modèle à vos règles et à vos outils : il lit les documents là où vous les rangez, extrait les champs, les confronte à vos propres données et remet à une personne un résultat à valider.

Quand chaque approche convient-elle ?

L’OCR classique convient quand il suffit d’obtenir du texte cherchable, par exemple pour rendre retrouvable une archive de scans.

Un service cloud convient à un gros volume de documents de forme stable, comme des factures, quand un modèle prédéfini connaît déjà les champs. Comparez la liste des modèles du service avec vos types de documents et vos langues avant de vous engager.

Un modèle de langage convient aux documents très variables : des contrats rédigés par différents cabinets d’avocats, des devis au format libre, des rapports où le chiffre cherché se trouve dans un paragraphe. Il gère des mises en page que personne n’avait prévues. En contrepartie, il peut produire une valeur plausible qui ne figure pas dans le document, d’où l’importance de la validation.

Un agent sur mesure convient quand l’extraction n’est qu’une étape d’un process plus long : lire un contrat, le comparer à vos conditions habituelles, lister les écarts et rédiger une note.

Quel schéma de sortie prévoir ?

Définissez la sortie avant de choisir l’outil. Un bon schéma est une liste de champs nommés, chacun avec un type (texte, nombre, date, montant avec devise) et une règle d’absence : quand le document ne contient pas la valeur, le champ reste vide, jamais deviné. Ajoutez à chaque champ deux informations, la page où la valeur a été trouvée et la phrase dont elle vient. Le relecteur vérifie alors une valeur en quelques secondes au lieu de relire le document.

La documentation d’Azure montre la même idée au niveau du service : les modèles prédéfinis rendent des champs typés (une date de facture comme une date, un sous-total comme un montant), et pour un modèle personnalisé vous attribuez un type à chaque champ annoté.

Comment mesurer les erreurs sans croire le chiffre d’un éditeur ?

Les taux de précision publiés décrivent les documents de quelqu’un d’autre. Construisez votre propre jeu de test : prenez un échantillon de vos vrais documents, renseignez à la main une fois les bonnes valeurs, puis comparez ce que rend chaque approche, champ par champ. Comptez séparément les champs faux, les champs vides alors qu’ils ne devraient pas l’être et les champs inventés. Suivez-les par champ, car un système peut être fiable sur les numéros de facture et faible sur les conditions de paiement.

Relancez le même jeu à chaque changement de modèle, de consigne ou de mix de fournisseurs.

Que doit toujours valider une personne ?

Ajoutez d’abord des contrôles automatiques. Les lignes d’une facture doivent s’additionner au total, la TVA doit correspondre au taux, une date doit être une date, un IBAN doit avoir un format valide, la fin d’un contrat doit suivre son début. Tout ce qui échoue à un contrôle part chez une personne.

Décidez ensuite quels champs sont toujours relus, contrôles ou non : les montants au-dessus d’un seuil que vous fixez, les clauses de résiliation et de responsabilité, tout ce qui déclenche un paiement. La règle est simple : le système propose, une personne valide, et seules les données validées arrivent dans vos outils de comptabilité ou de gestion des contrats.

Et les scans et les photos ?

Un scan n’a pas de couche de texte, donc la première étape est de lire l’image. Certains services l’exposent comme de l’OCR. La présentation de Google indique qu’Enterprise Document OCR peut ajouter une analyse de qualité d’image pour vérifier qu’un scan est lisible, ce qui fait un premier filtre utile : une page floue doit repartir au scan, pas à l’extraction. L’écriture manuscrite figure parmi les capacités du modèle Read d’Azure et d’Amazon Textract, et elle se teste sur vos échantillons, car l’écriture à la main varie bien plus que l’imprimé.

Gardez l’image de la page d’origine à côté de chaque valeur extraite, pour que le relecteur voie la source.

Et chez nous ?

Nous travaillons en forward deployed : trois ingénieurs de Télécom Paris spécialisés en IA qui construisent des agents sur mesure et prennent aussi des missions de machine learning et de données. Un agent d’extraction que nous construirions lit vos documents dans SharePoint, OneDrive ou Dropbox, en lecture seule, sur les dossiers que vous choisissez, sans qu’aucun fichier soit conservé. Il cite la source de chaque valeur, rédige des Word ou des PowerPoint à la demande, et une personne de votre entreprise valide avant que quoi que ce soit parte. Le premier appel dure 30 minutes, il est offert et sans engagement, et un premier agent tourne deux semaines après. Voyez comment fonctionne l’analyse de dossiers complexes et comment vos données sont protégées.